Rain9Rain9
首页
AI 岗位
AI 目录
前端
后端
桌面端
WebGL
Web3
  • 算法与面试
  • 面试八股
  • Vim 练级
  • Github
  • 掘金
  • 公众号《与 IT 有约》
首页
AI 岗位
AI 目录
前端
后端
桌面端
WebGL
Web3
  • 算法与面试
  • 面试八股
  • Vim 练级
  • Github
  • 掘金
  • 公众号《与 IT 有约》
  • 2026 · AI 时代

    • 程序员的出路:AI 时代的价值思考
    • 从零开始构建智能体(Hello-Agents 课程通俗笔记)

01-plan

🗓 总体时间线概览

阶段内容建议周数累计周数
1AI Coding2 周2
2Agent Framework4 周6
3MCP / Function Calling3 周9
4Docker / Kubernetes3 周12
5Agent 可观测性2 周14

最后 2 周为“综合实战 + 简历/作品集整理”。


📅 第一阶段:AI Coding(第 1-2 周)

目标:深度使用 Cursor / Claude Code,能独立用 AI 辅助完成一个小型项目。

第 1 周:工具熟悉 + 原理理解

天数任务产出
周一安装 Cursor,配置主题、快捷键、AI 模型(可用自己的 API Key)。阅读 Cursor 官方文档(基础部分)。能正常使用 Cursor 打开项目并对话。
周二学习 Tab 补全、内联聊天(Cmd+K)、多文件上下文引用(@files)。用 Cursor 生成一个简单的 Python 脚本(如批量重命名文件)。
周三学习提示词编写:角色设定、任务拆分、约束条件。尝试用自然语言描述一个功能,看 AI 生成的效果。记录 3 条“好提示词”和 3 条“差提示词”的对比。
周四学习 Claude Code(需安装 Node 包)。了解它的 MCP 配置、本地模型支持。运行 claude 命令,完成一次交互(如让 Claude 解释一段代码)。
周五学习 .cursorrules 和 CLAUDE.md 的写法。给一个空项目写一份规则文件。提交一个 .cursorrules 文件到 GitHub gist。
周六用 Cursor 完整开发一个“命令行待办事项工具”(要求:增删改查,JSON 存储)。全程尽量让 AI 生成代码,你只写提示词和调试。工具跑通,代码中有注释说明哪些部分是 AI 生成的。
周日复盘:总结 AI Coding 的常见坑(如上下文截断、工具调用失败)。写一篇简短的学习笔记(Markdown 格式)。笔记发布到你的掘金或 GitHub 仓库。

第 2 周:二次开发准备 + 进阶

天数任务产出
周一研究 Cursor 的 AI 配置:可以切换模型(GPT-4、Claude 等),理解不同模型的差异。用两个不同模型完成同一任务,对比结果。
周二了解 AI 编程工具的二次开发可能性:Cursor 提供 Extension API 吗?Claude Code 的 MCP 集成原理。画一张图:Claude Code ↔ MCP Server ↔ 本地工具的调用关系。
周三尝试给 Cursor 配置自定义命令(如一键代码格式化、运行测试)。配置一个 Cmd+Shift+R 运行 npm run lint。
周四学习 Token 机制:用 tiktoken 计算一段对话的 token 数,理解 Context Window 限制。写一个小脚本:读取对话历史,输出 token 数。
周五学习 Prompt Injection 的概念,了解如何防止 AI 被恶意指令攻击。能复述一个简单的注入攻击示例和防御方法。
周六项目:用 Cursor 开发一个“Markdown 笔记整理工具”(支持标签、搜索)。项目跑通,代码托管到 GitHub。
周日完成第一阶段总结博客(可简略),列出你学会的技能和踩过的坑。博客发布。

第一阶段验收:

  • ✅ 能用 Cursor 完成一个 500 行以内的小工具,70% 代码由 AI 生成。
  • ✅ 能解释 Context Window、Tool Use、System Prompt 的基本概念。
  • ✅ 了解 .cursorrules 和 CLAUDE.md 的作用并会配置。

🤖 第二阶段:Agent Framework(第 3-6 周)

目标:掌握 LangChain 和 OpenAI Agents SDK,能手写 Agent 循环,理解多 Agent 协作。

第 3 周:LangChain 基础 + 手写 Agent Loop

天数任务产出
周一安装 LangChain(Python),学习 ChatOpenAI、ChatPromptTemplate、StrOutputParser。写一个“翻译助手”:用户输入中文,AI 输出英文。
周二学习 RunnableSequence 和 RunnablePassthrough,实现链式调用。做一个“总结 + 翻译 + 发送邮件”的链(邮件部分用打印代替)。
周三学习 Tool 定义:用 @tool 装饰器写一个获取天气的假工具。工具注册到 LangChain 并调用成功。
周四学习 AgentExecutor 和 ReAct 模式。用 create_react_agent 创建一个简单 Agent,带上天气工具。Agent 能根据用户问题自动决定是否调用天气工具。
周五手写一个极简 Agent Loop(不用 LangChain 内置):while True: 调用 LLM → 解析是否有 tool_call → 执行工具 → 把结果追加到 messages。代码能跑通,支持至少一个工具。
周六对比 LangChain 的实现和手写版本的区别,理解 AgentExecutor 的内部逻辑(看源码)。画一个流程图。
周日学习 LangChain 的 Memory:ConversationBufferMemory 和 ConversationSummaryMemory。实现一个带记忆的聊天机器人,能记住之前说过的话。

第 4 周:LangChain 进阶 + OpenAI Agents SDK

天数任务产出
周一学习 LCEL(LangChain Expression Language)的高级用法:并行调用、回退、重试。写一个链:先调用 GPT-4,失败则回退到 GPT-3.5。
周二学习 LangChain 的文档加载器和文本分割器,构建一个简单的 RAG(检索增强生成)。让 Agent 回答关于你自己一个 PDF 文档的问题。
周三安装 OpenAI Agents SDK(openai-agents 包)。学习 Agent、Runner、function_tool。用 OpenAI SDK 实现一个简单的单 Agent。
周四学习 Handoff(移交):多个 Agent 协作,一个负责客服,一个负责技术,通过 Handoff 切换。实现一个“客服主管”Agent,能 handoff 到“退货专员”。
周五学习 Tracing 基础:OpenAI SDK 自带 trace,在终端或 LangSmith 上查看。跑一个对话,导出 trace 截图。
周六对比 LangChain 和 OpenAI SDK 的异同(设计哲学、易用性、社区)。写一篇对比分析(可发博客)。
周日总结 LangChain 常用模式,整理自己的代码片段库。在 GitHub 上创建 agent-patterns 仓库,存放典型示例。

第 5 周:多 Agent 框架(AutoGen / CrewAI) + 原理深化

天数任务产出
周一安装 AutoGen(pyautogen)。学习 ConversableAgent 基础。两个 Agent 互相聊天解决一个简单的数学问题。
周二学习 AutoGen 的 GroupChat 和 Manager。模拟一个代码写手 + 评论员 + 执行员的团队。Agent 们一起完成一个“写排序算法并测试”的任务。
周三安装 CrewAI。学习 Agent、Task、Crew 的概念。定义一个研究助理团队:搜索 + 总结 + 报告生成。
周四对比 AutoGen 和 CrewAI 的使用场景(自主对话 vs 预定义流程)。制作一个对比表格。
周五深入理解 ReAct 原理,阅读 Anthropic 关于 Tool Use 的官方文档。能口头讲清楚“Thought → Action → Observation”循环。
周六学习 Plan-and-Solve、CoT(Chain of Thought)等高级提示技术。用提示词让 LLM 解决一个复杂逻辑题,要求输出推理步骤。
周日复习本周内容,整理代码。GitHub 仓库增加 AutoGen 和 CrewAI 示例。

第 6 周:Provider 抽象实战 + 集成测试

天数任务产出
周一设计一个简单的 LLMProvider 接口(支持 OpenAI 和 Anthropic)。接口定义文件。
周二实现 OpenAI Provider 和 Anthropic Provider。两个类都能调用各自 API 返回结果。
周三实现工厂模式 ProviderFactory,根据配置字符串创建对应 Provider。单元测试通过。
周四将手写的 Agent Loop 改造为依赖 Provider 接口,而不是硬编码 OpenAI。Agent 可以随时切换模型。
周五集成测试:同一个任务(如写一首诗)用 OpenAI 和 Claude 分别运行,对比输出和 token 消耗。记录结果到文档。
周六写一篇关于 Provider 抽象层的博客(可以引用 mini-cc 源码)。博客发布。
周日第二阶段整体复盘,写一份“Agent Framework 学习总结”。总结文档,列出你学到的核心概念和可复用代码。

第二阶段验收:

  • ✅ 能用 LangChain 或 OpenAI SDK 构建一个能调用工具的 Agent。
  • ✅ 能手写一个简化版 Agent Loop。
  • ✅ 能实现一个简单的 Provider 抽象,支持至少两个模型。
  • ✅ 了解 AutoGen / CrewAI 的多 Agent 协作模式。

🔌 第三阶段:MCP / Function Calling(第 7-9 周)

目标:深入理解 Function Calling 协议,能独立开发 MCP Server 并集成到 Client。

第 7 周:Function Calling 基础 + JSON Schema

天数任务产出
周一学习 OpenAI Function Calling 官方文档。理解 tools、tool_choice 参数。写一个 Python 脚本,调用 OpenAI API,定义一个“获取当前时间”的工具。
周二学习 JSON Schema 基础:type、properties、required。为“发送邮件”工具写一个完整的 JSON Schema。
周三学习 Anthropic Tool Use 格式,对比两者的差异(特别是 tool_calls 结构)。写一个对比表。
周四实现一个简单的 Tool Runtime:接收 tool call 请求 → 校验参数 → 执行 → 返回结果。代码托管。
周五学习 Tool 调用中的错误处理:参数错误、超时、权限不足。为你的 Tool Runtime 增加三种错误类型的返回。
周六实战:写一个“计算器”工具,支持加减乘除,通过 Function Calling 让 LLM 调用。完整交互演示(可用命令行)。
周日学习 MCP 协议概念:JSON-RPC、Resources、Tools、Prompts。阅读 MCP 官方文档。画一张 MCP 架构图(Client ↔ Server)。

第 8 周:MCP Server 开发(Python 或 TypeScript)

天数任务产出
周一安装 MCP Python SDK(mcp 包)。按照官方教程创建第一个 MCP Server,只返回一个“ping”工具。能用 MCP Inspector 测试连接。
周二给 Server 添加一个“读取本地文件”工具,注意路径安全。工具能返回文件内容(限制读取特定目录)。
周三学习 MCP Resources:将某个目录下的文件列表暴露为 resources。Client 能列出 resources 并读取内容。
周四学习 MCP Prompts:定义一个动态提示词模板(如“代码审查助手”)。调用 prompt 返回结构化提示词。
周五将 MCP Server 集成到 Claude Desktop 或 Cursor(配置 claude_desktop_config.json)。在 Claude Desktop 里直接调用你的工具。
周六用 TypeScript 实现同一个 MCP Server(@modelcontextprotocol/sdk)。提供 Python 和 TS 两个版本。
周日写一篇 MCP 实战教程,记录你搭建过程中踩的坑(比如 JSON-RPC 格式错误、工具参数不匹配)。博客发布。

第 9 周:安全 + 高级话题

天数任务产出
周一学习 MCP 安全最佳实践:输入校验、权限最小化、命令黑名单。为你的 MCP Server 增加一个“危险命令黑名单”检查。
周二学习 MCP 的 Transport:stdio 和 SSE(Server-Sent Events)。尝试实现一个 SSE 传输的 Server。能用 HTTP 方式调用 MCP Server。
周三学习 MCP 的 Client 端开发(如用 Python MCP Client 连接你的 Server)。写一个简单的 Client,调用 Server 的工具。
周四研究 MCP 社区有哪些好用的 Server(如 GitHub、Slack、数据库)。尝试跑一个社区 Server。成功调用社区 Server 的一个工具。
周五了解 MCP 与 Agent Framework 的集成方式(如 LangChain 的 MCPTool)。写一个 LangChain Agent,使用 MCP 工具。
周六项目:开发一个“个人知识库助手”MCP Server,支持搜索本地 Markdown 笔记。Server 完善,并写好 README 部署说明。
周日第三阶段总结,整理代码和文档到 GitHub。发布一个 mcp-server-kb 仓库。

第三阶段验收:

  • ✅ 能独立从零开发一个 MCP Server(支持 Tools + Resources)。
  • ✅ 能将该 Server 集成到 Claude Desktop 或 Cursor 中使用。
  • ✅ 理解 MCP 协议的核心概念,并能解释与普通 Function Calling 的区别。

🐳 第四阶段:Docker / Kubernetes(第 10-12 周)

目标:将 Agent 应用容器化,并部署到 Kubernetes 集群。

第 10 周:Docker 基础 + 容器化 Agent

天数任务产出
周一安装 Docker,学习 docker run、docker build、docker ps 等基础命令。跑通 hello-world 容器。
周二为你的 Python Agent(第二阶段写的)编写 Dockerfile。镜像能成功 build,大小控制在 1GB 以内。
周三学习 .dockerignore 和多阶段构建。优化镜像大小。将镜像大小缩减 30% 以上。
周四用 docker run 运行 Agent 容器,暴露 API 端口(如 FastAPI)。用 curl 调用 Agent 的接口。
周五学习 Docker Compose:定义一个 docker-compose.yml,同时启动 Agent + Redis(用于缓存)。一个命令启动整套服务。
周六学习容器日志管理(docker logs)、资源限制(--memory、--cpus)。为 Agent 容器设置内存上限 512MB。
周日将 Agent 镜像推送到 Docker Hub 或私有 Registry。镜像仓库可被他人拉取。

第 11 周:Kubernetes 基础

天数任务产出
周一安装 minikube 或 kind(本地 K8s 集群)。学习 kubectl 基础命令。集群正常运行,kubectl get nodes 显示 Ready。
周二学习 Pod 和 Deployment:写一个 YAML 部署你的 Agent 镜像。kubectl apply 后 Pod 运行成功。
周三学习 Service:ClusterIP、NodePort。暴露 Agent 服务。可以用 kubectl port-forward 或 NodePort 访问 Agent。
周四学习 ConfigMap 和 Secret:将 API Key 等配置从镜像中分离。Agent 从环境变量读取 API Key。
周五学习 Ingress:安装 Ingress Controller,配置域名访问 Agent。通过域名(如 agent.local)调用服务。
周六学习 Horizontal Pod Autoscaler(HPA):基于 CPU 负载自动扩容。对 Agent 进行压力测试,观察 Pod 数量变化。
周日学习 Helm:用 Helm Chart 打包你的 Agent 应用。能通过 helm install 一键部署。

第 12 周:K8s 进阶 + Agent 特有考虑

天数任务产出
周一学习 StatefulSet:为 Agent 会话保持做铺垫(如果需要)。部署一个带持久化存储的 Agent。
周二学习 K8s 的日志收集:EFK(Elasticsearch, Fluentd, Kibana)或 Loki。Agent 的日志被收集到 Kibana 中。
周三学习 K8s 的 RBAC:为 Agent 服务创建只读权限的 ServiceAccount。最小权限原则配置。
周四讨论:Agent 容器化的特殊点(如每个用户一个 Pod?长上下文如何缓存?API 速率限制)。写一篇分析文章。
周五实战:将第三阶段的 MCP Server 容器化并部署到 K8s。MCP Server 在集群内可被其他服务调用。
周六学习 Knative(Serverless on K8s):将 Agent 部署为 Knative Service,支持缩容到 0。无流量时 Pod 停止,有流量自动启动。
周日第四阶段总结:写一份“Agent 容器化与 K8s 部署最佳实践”文档。文档分享到团队或 GitHub。

第四阶段验收:

  • ✅ 能编写 Dockerfile 打包 Agent,并通过 docker run 运行。
  • ✅ 能用 Kubernetes 部署 Agent 到 minikube,暴露外部访问。
  • ✅ 了解 HPA、ConfigMap、Secret 等常用资源。
  • ✅ 能讨论 Agent 容器化与普通 Web 应用的不同点。

📈 第五阶段:Agent 可观测性(第 13-14 周)

目标:为 Agent 增加日志、追踪、指标,并开发一个简单的轨迹可视化前端。

第 13 周:可观测性工具接入

天数任务产出
周一学习 OpenTelemetry 概念:Trace、Span、Exporter。安装 OpenTelemetry SDK。
周二为你的 Agent 代码手动添加 Span(每个 tool call、每次 LLM 请求)。能输出 trace 到控制台(或 Jaeger)。
周三搭建 Jaeger(用 Docker),将 Agent 的 trace 发送到 Jaeger。在 Jaeger UI 中看到完整的调用链。
周四学习 LangSmith:注册账号,将 Agent 的一次对话记录到 LangSmith。生成分享链接,能看到每一步的输入输出。
周五学习 LangFuse 或 Arize Phoenix(开源替代)。对比它们与 LangSmith 的差异。
周六学习 Metrics:用 Prometheus 收集 Agent 的 token 使用量、错误率、延迟。在 Grafana 中展示仪表盘。
周日学习日志结构化:将 Agent 日志输出为 JSON 格式,并采集到 Loki。用 Grafana 查询日志。

第 14 周:前端可视化 + 综合实战

天数任务产出
周一学习 React + TypeScript 基础(如果还不熟,突击一下)。能跑起一个 Vite 项目。
周二设计一个简单的 Agent Trace Viewer 前端:输入 trace ID,展示步骤列表。能从 JSON 文件读取数据并展示。
周三使用 reactflow 或 vis-timeline 将 Agent 的执行步骤可视化为时间轴。每个步骤有 icon 和耗时。
周四将前端与后端 Agent 集成:Agent 执行完成后自动生成 trace ID,前端通过 API 获取数据。完整 demo。
周五学习 agenttrace-react 之类的库,看看能否直接复用。尝试集成,记录优缺点。
周六综合实战:将之前所有阶段的成果整合——容器化 Agent + MCP Server + K8s 部署 + 可观测性 + 前端轨迹回放。一个端到端的演示项目。
周日写一篇“从零到一构建可观测的 AI Agent”总结文章,附上源码和演示截图。博客发布 + GitHub README 更新。

第五阶段验收:

  • ✅ Agent 能输出结构化日志并发送到 Jaeger / LangSmith。
  • ✅ 能用 Prometheus + Grafana 监控关键指标。
  • ✅ 能开发一个简单的 Web 界面展示 Agent 执行轨迹。

🎯 最终综合实战(第 15-16 周,可选)

如果时间允许,再加两周做一个完整的对标 JD 的结业项目:

  • 项目名:一个可配置的 Agent 服务平台(类似 mini-cc 但更完善)
  • 功能:
    • 支持多 Provider(OpenAI / Anthropic / Qwen)
    • 内置 3+ 工具(文件读写、命令执行、MCP 集成)
    • 记忆系统(短期 + 长期摘要)
    • 容器化 + K8s 部署
    • LangSmith 追踪 + 自定义前端轨迹回放
    • 提供 HTTP API 和 CLI 两种交互方式
  • 产出:
    • 完整代码仓库(包含 README、设计文档、部署指南)
    • 一篇万字实战教程
    • 在线 Demo(可选,可用免费的 K8s 集群)

📌 每日执行建议

  • 每天固定时段:建议晚上 8-10 点或早起 1.5 小时,形成习惯。
  • 周五晚回顾:本周学到的三个最重要概念 + 一个下周要改进的地方。
  • 每周日整理:将代码、笔记、博客推送到 GitHub,保持绿墙。
  • 遇到卡顿:最多花 1 小时自己研究,还不行就记录问题,跳过去或请教他人,不要停滞。

你可以把这份计划打印出来,每完成一天就划掉一天。三个月后再回头看,你会惊讶自己的成长。

如果你需要我把某个阶段的具体代码示例、参考资料链接整理出来,随时告诉我。祝你按计划拿下这份 JD!

最近更新: 2026/10/31 10:01